ПРІОРИТИЗАЦІЯ ВРАЗЛИВОСТЕЙ ЛАНЦЮГА ПОСТАЧАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НА ОСНОВІ SBOM ТА МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.17721/AIT.2025.2.04Ключові слова:
ланцюг постачання програмного забезпечення, SBOM, пріоритизація вразливостей, машинне навчання, DevSecOps, CVSS, EPSS.Анотація
Стаття представлена у форматі OnlineFirst, що передбачає дострокове розміщення матеріалів на сайті журналу перед їх остаточним друком в паперовому вигляді.
Стаття пройшла процедуру рецензування та прийнята до друку.
Стаття доступна для пошуку та цитування за її DOI, яке надалі залишається незмінним. Після того, як випуск буде надруковано в типографії, нове цитування можна робити, використовуючи інформацію про номер тому і номер сторінки, використовуючи те саме посилання DOI.
Вступ. Сучасні програмні системи дедалі більше залежать від open-source компонентів, які утворюють багаторівневі ланцюги залежностей. Регуляторний тиск (Executive Order 14028 у США, майбутній EU Cyber Resilience Act) змушує організації впроваджувати Software Bill of Materials (SBOM). Кількість нових вразливостей Common Vulnerabilities and Exposures (CVE) зростає швидше, ніж команди безпеки здатні їх опрацьовувати, а сортування за Common Vulnerability Scoring System (CVSS) не враховує реальної експлуатабельності. Log4Shell показав, наскільки критичною є швидка пріоритизація.
Методи. Запропоновано побудову SBOM у форматі CycloneDX для цільових застосунків із кореляцією компонентів з базою даних National Vulnerability Database (NVD) та каталогом Known Exploited Vulnerabilities (KEV) агентства Cybersecurity and Infrastructure Security Agency (CISA). Сформовано набір ознак на основі метрик CVSS, віку вразливості, наявності експлойтів та контексту SBOM. Для ранжування вразливостей за очікуваним зниженням ризику застосовано модель машинного навчання LambdaMART на основі LightGBM Ranker. Задачу формалізовано як оптимізаційну проблему з обмеженнями на бюджет патчингу.
Результати. Порівняння із базовими стратегіями сортування за CVSS, Exploit Prediction Scoring System (EPSS) та їх комбінаціями показало, що запропонований підхід машинного навчання при фіксованому бюджеті патчів охоплює більшу частку реально експлуатованих вразливостей. Модель демонструє підвищення метрики Normalized Discounted Cumulative Gain (NDCG@10) на 23% та збільшення частки покритих KEV-вразливостей у топ-10 на 31% порівняно з базовим підходом CVSS.
Висновки. Запропонований фреймворк дозволяє інтегрувати SBOM та оцінку експлуатабельності в процеси DevSecOps. Формалізація задачі як оптимізаційної та застосування моделі навчання ранжуванню забезпечує вимірний виграш у фокусуванні зусиль на найбільш критичних вразливостях.
Завантажити
Посилання
Burges, C. J. C. (2010). From RankNet to LambdaRank to LambdaMART: An overview (Technical Report MSR-TR-2010-82). Microsoft Research.
Cybersecurity and Infrastructure Security Agency. (n.d.). Known exploited vulnerabilities catalog. https://www.cisa.gov/known-exploited-vulnerabilities-catalog
Biden, J. R., Jr. (2021, May 17). Executive Order 14028 – Improving the nation’s cybersecurity. Federal Register, 86(93), 26633–26647. https://www.federalregister.gov/documents/2021/05/17/2021-10460/improving-the-nations-cybersecurity
Jacobs, J., Romanosky, S., Edwards, B., Roytman, M., & Adjerid, I. (2019). Exploit prediction scoring system (EPSS). arXiv. https://doi.org/10.48550/arXiv.1908.04856
Jacobs, J., Romanosky, S., Adjerid, I., & Baker, W. (2020). Improving vulnerability remediation through better exploit prediction. Journal of Cybersecurity, 6(1), tyaa015. https://doi.org/10.1093/cybsec/tyaa015
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. In I. Guyon, U. von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Eds.), Advances in Neural Information Processing Systems (Vol. 30, pp. 3149–3157). Curran Associates, Inc. https://proceedings.neurips.cc/paper_files/paper/2017/hash/6449f44a102fde848669bdd9eb6b76fa-Abstract.html
Ladisa, P., Plate, H., Martinez, M., & Barais, O. (2023). SoK: Taxonomy of attacks on open-source software supply chains. In Proceedings of the 2023 IEEE Symposium on Security and Privacy (SP) (pp. 1509–1526). IEEE. https://doi.org/10.1109/SP46215.2023.10179304
Le, T. H. M., Chen, H., & Babar, M. A. (2022). A survey on data-driven software vulnerability assessment and prioritization. ACM Computing Surveys, 55(5), Article 100, 1–39. https://doi.org/10.1145/3529757
O’Donoghue, E., Boles, B., Izurieta, C., & Reinhold, A. M. (2024). Impacts of software bill of materials (SBOM) generation on vulnerability detection. In Proceedings of the 2024 Workshop on Software Supply Chain Offensive Research and Ecosystem Defenses (SCORED ’24) (pp. 67–76). Association for Computing Machinery. https://doi.org/10.1145/3689944.3696164
O’Donoghue, E., Hastings, Y., Ortiz, E., & Manzi Muneza, A. R. (2025). Software bill of materials in software supply chain security: A systematic literature review. arXiv. https://doi.org/10.48550/arXiv.2506.03507
Stalnaker, T., Wintersgill, N., Chaparro, O., Di Penta, M., German, D. M., & Poshyvanyk, D. (2024). BOMs away! Inside the minds of stakeholders: A comprehensive study of bills of materials for software systems. In Proceedings of the IEEE/ACM 46th International Conference on Software Engineering (ICSE ’24) (pp. 517–529). Association for Computing Machinery. https://doi.org/10.1145/3597503.3623347
Synopsys. (2024). Open Source Security and Risk Analysis Report 2024. https://www.synopsys.com/software-integrity/resources/analyst-reports/open-source-security-risk-analysis.html
Williams, L., Benedetti, G., Hamer, S., Paramitha, R., Rahman, I., Tamanna, M., Tystahl, G., Zahan, N., Morrison, P., Acar, Y., Cukier, M., Kästner, C., Kapravelos, A., Wermke, D., & Enck, W. (2025). Research directions in software supply chain security. ACM Transactions on Software Engineering and Methodology, 34(5), Article 146, 1–38. https://doi.org/10.1145/3714464
Wirth, A. (2022). Log jam: Lesson learned from the Log4Shell vulnerability. Biomedical Instrumentation & Technology, 56(3), 72–76. https://doi.org/10.2345/0899-8205-56.3.72
Завантаження
Опубліковано
Версії
- дата публікації 2026-10-16, версія (2)
- дата публікації 2026-05-06, версія (1)
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Денис ШТОМА, студ, Володимир ПЕТРІВСЬКИЙ, д-р філософії (Автор)

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.